我的深度学习过程，你可以借鉴我的方法，该方法对初学者友好

已于 2022-03-16 14:30:14 修改
阅读量3.5k 收藏 72
点赞数 17
文章标签： 深度学习 python 人工智能 pytorch
于 2022-03-16 14:15:31 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42940160/article/details/123523870
版权

Beginner-friendly Deep Learning Process


能够进行深度学习的工作是一件令人激动的事情，但同时也是一件令初学者懊恼的事情，我的教程是为了告诉你入门深度学习并不是一件难事，BUT Your Patience.

本教程假设你已经可以熟练使用Python了，如果你还不会Python请移步该链接学习：黑马程序员Python教程600集 建议从P139看起(程序注释01-注释的作用)，之前的内容你自己觉得有必要就挑着看，同理后面的内容也可以根据熟练度挑着看或跳着看！

1.观看李飞飞和吴恩达的机器学习系列课程

BUT 你需要知道的是，这两位的课程并不需要完全掌握，看他们的目的是为了让你从总体上了解机器学习的实施过程，你完全可以按照你的节奏去看，不必死扣其细节，相信我你没时间也扣不明白。

我一直认为在进行一项未知的工作之前，能够从总体上了解其实施流程，有助于你对自己的进度进行评估，这会让你有种"把握"住它的感觉，进而不会对未来的学习感到迷茫，因为你知道自己该学什么，你甚至会主动去寻找接下来要学习什么。

斯坦福李飞飞CS231n计算机视觉课程

https://www.bilibili.com/video/BV1nJ411z7fe?spm_id_from=333.999.0.0

吴恩达机器学习系列课程

https://www.bilibili.com/video/BV164411b7dx?spm_id_from=333.999.0.0

正如上面所说的，对于这两门课不必太较真，知道机器学习是怎样进行工作的，以及从学习的过程中知道你要掌握哪些技能。

2.Pytorch入门课程

我认为Pytorch是一种对初学者相当友好的DL框架，作为你第一个熟练使用的框架，是完全值得的。

这也是为什么告诉你 李和吴 的可能在前面不用死扣的原因，当你学习深度学习框架的时候，还会再次接触到之前的 李和吴 课程中的内容，不过这次不再是抽象的数学公式表达，而换成了更易于理解的代码实现，这将有助于你理解，并进一步加深你对DL的认识。

这部分最重要的是动手练习，一定要跟着视频中老师的代码一行一行的手动去实现，自己学习Debug，学会发现问题，并解决问题。有百度，谷歌为什么自己不会去搜索？如果你手懒，不想敲代码，我劝你最好放弃DL，或是在研究生阶段继续当个混子。

我将提供我在学习时的代码，你可以参考我的代码，同时做自己也做了详细的学习笔记。但我建议你要做好自己的笔记，因为自己的笔记才会最熟悉

Pytorch 入门到精通全教程-卷积神经网络-循环神经网络

https://www.bilibili.com/video/BV1CZ4y1w7mE?p=1

我的GitHub仓库

kangpeilun/Pytorch_Learning_Notes: Pytorch_Learning_Notes (github.com)

image-20220316135245809

3.李宏毅的课程最实用-宝可梦王子

李宏毅老师的课程是我认为最实用的，他不会非常深入的给你讲太多理论知识，他能以通俗的话给你解释一种新奇的技术，使你能够很容易的了解某个算法运行的机理。

该部分完全可以和 第二部分 同时进行

李宏毅2021春季课程

https://speech.ee.ntu.edu.tw/~hylee/ml/2021-spring.php

该链接有配套的课程，以及对应Google Colab的作业BaseLine代码，至于不知道作业怎么做的，可以查找Kaggle上对应该作业别人的实现方法。关键是代码也是用Pytorch实现的

4.Pytorch实战课程

我坚信当你按要求认真完成前三部分的学习，你基本上可以使用Pytorch进行简单的深度学习工作了，但是这还不够，你需要看进阶课程拓展你的编程能力。我同样建议你做好自己的学习笔记，同样我会提供我自己的笔记

Pytorch深度学习实战教学

https://www.bilibili.com/video/BV1Zv4y1o7uG?spm_id_from=333.999.0.0

我的GitHub仓库

kangpeilun/Pytorch-DeepLearning-In-Practice (github.com)

5.时刻关注新的技术 多实战和多复现代码

你可以通过B站UP学习DL最新相关论文以及技术

下面是我关注的几个优秀的UP

霹雳吧啦Wz

image-20220316140745354

啥都会一点的研究生

image-20220316140826606

跟李沐学AI

image-20220316140917477

Bubbliiiing

image-20220316140929408

多进行实战和复现代码强化自己编程能力

实战可以学习上面的UP中的体重的代码，自己利用他们的代码做一些小项目

复现代码 指关注你自己所在的研究领域的论文中提供的代码，自己动手Debug，将他们的代码在你自己的项目中进行实现。

Anefuer_kpl
关注
神经网络——吴恩达视频结束
zjcffsyz的博客
11-15 403
目前为止已经开学两个月余几天了，首先在这里感谢宿舍高同学让我想起找个平台记录自己所学！！大学四年转瞬即逝留下东西不多，因此读研之后更想留下痕迹，这里废话不多说心路历程补充到结尾，CSDN上面写东西应该会持续三年，以后应该会不定期更新，如果有哪位同志发其中有什么不妥之处也希望可以给予指正。然后这个东西也会留在博客园，以后有什么“人生感悟”主要是写到博客里面，体验一下。 本次作为第一次文章，我还是想从基础开始，刚好重新学习了吴恩达老师的神经网络的课程，也算有点收获，就先记录一下： 首先呢，众所周知...
原创 | 深度学习框架比较，我该选择哪一个？
数据派THU
09-07 1633
近年来，深度学习在很多机器学习领域都有着非常出色的表现，在图像识别、语音识别、自然语言处理、机器人、网络广告投放、医学自动诊断和金融等领域有着广泛应用。面对繁多的应用场景，深度学习框架有...
2020-12-14 吴恩达深度学习课程和《深度学习》一书对比
weixin_42555985的博客
12-14 545
疫情期间打算学习深度学习，参照网上经验，学习了Ian Goodfellow（伊恩·古德费洛）、Yoshua Bengio（约书亚·本吉奥）和Aaron Courville（亚伦·库维尔）的《深度学习》一书，以及吴恩达的深度学习课程（5课）。 整个过程大约持续了1年，有些感悟。 《深度学习》一书过于学术性，看得实在有点吃力，而且很枯燥。相对而言，吴恩达的课程则通俗易懂，更注重实际应用。不过吴恩达课程里没有基础知识介绍，需要自己补充学习。 所以建议，先学习一下《深度学习》一书的第一部分前5章，线性代数，概率和信
【Pytorch】Learning Notes
bryant_meng
10-20 670
由于各进程中的模型，初始参数一致 (初始时刻进行一次 broadcast)，而每次用于更新参数的梯度也一致，因此，各进程的模型参数始终保持一致。它使得应用程序认为自己拥有连续的可用的内存（一个连续完整的地址空间），而实际上，它通常是被分隔成多个物理内存碎片，还有部分暂时存储在外部磁盘存储器上，在需要时进行数据交换。而在 DataParallel 中，全程维护一个 optimizer，对各 GPU 上梯度进行求和，而在主 GPU 进行参数更新，之后再将模型参数 broadcast 到其他 GPU。
吴恩达视频观后感一（相同的字母表达的意思可是不一样）
nyist_yangguang的博客
12-04 541
我通过观看、揣摩、敲他布置的程序、测试和回味，发现了一些内容： 比如 其中的就是指的同一张图片的不同像素（eg：一张图片的所有像素有1w个，那么x下标一直从1到1w），每一个w都是一个单独的行向量（这个w除了维数固定，内部数据是自己优化调整的），w的转置和x可以满足矩阵乘法运算，w和X的乘积是一个实数（类型在程序中是array）。在两层神经网络（包含隐藏层）中，每一个神经节点都包含一个w和b，它们内部的数据都是根据自己学习得到的，每一个图片中所有的像素都会参与每一个神经节点的运算，即wT*X， 其
看完吴恩达(Andrew Ng)机器学习视频的感受
tiantangderen的博客
01-14 3万+
最近觉得机器学习有点火，就上网找了找，搜了搜，看看机器学习是个什么东东，看到大部分的博客啊，知乎上都说入门的话，强烈推荐吴恩达的机器学习，开始以为是在网易公开课上看，但是后来搜到了一个在线学习网站--Coursera， 这个网站就是吴恩达创办的，里面有机器学习的视频，课程设计非常好，按周分的，而且每周结束有相应的联系，用Matlab或Octave进行编程实现课程中的算法，完成之后可已上传到cour
分享 ：深度学习框架比较，我该选择哪一个？
数据分析
09-09 1297
近年来，深度学习在很多机器学习领域都有着非常出色的表现，在图像识别、语音识别、自然语言处理、机器人、网络广告投放、医学自动诊断和金融等领域有着广泛应用。面对繁多的应用场景，深度学习框架有...
深度学习框架比较，我该选择哪一个？
机器学习算法与Python学习
09-08 1422
（给机器学习算法与Python学习加星标，提升AI技能）数据派THU近年来，深度学习在很多机器学习领域都有着非常出色的表现，在图像识别、语音识别、自然语言处理、机器人、网络广告投放、医学...
【深度学习】CVPR 2022 | 百变发型！中科大/微软/港城大提出HairCLIP：基于文本和参考图像的头发编辑方法...
fengdu78的博客
03-14 1781
图1 本方法单独地或联立地支持来自图像和文本域的条件输入以完成头发编辑本文介绍我们在CVPR 2022关于基于文本和参考图像完成头发编辑的工作。该工作将文本和参考图像条件统一在了一个框架内...
深度学习框架的来龙去脉——史上最全面最新的深度学习框架对比分析
zhaiqi0225的博客
03-13 4517
一、深度学习框架概述与深度学习技术的四大阵营 人工智能从学术理论研究到生产应用的产品化开发过程中通常会涉及到多个不同的步骤和工具，这使得人工智能开发依赖的环境安装、部署、测试以及不断迭代改进准确性和性能调优的工作变得非常繁琐耗时也非常复杂。为了简化、加速和优化这个过程，学界和业界都作了很多的努力，开发并完善了多个基础的平台和通用工具，也被称会机器学习框架或深度学习框架。有了这些基础的平台和工具，...
从TensorFlow到DL4J——主流深度学习框架对比分析
m0_60673947的博客
02-28 1773
从TensorFlow到DL4J——主流深度学习框架对比分析 2022年2月22日 极链AI云 官网地址 点击注册 更多AI小知识，关注《极链AI云》公众号 文章目录从TensorFlow到DL4J——主流深度学习框架对比分析一、深度学习框架概述与深度学习技术的四大阵营二、主流开源深度学习框架的来龙去脉2.1 TensorFlow2.2 Keras2.3 Pytorch2.4 Theano2.4 Caffe2.5 Caffe22.6 Torch2.7 FastAI2.8 MXNet2.9 Gluon
深度学习在推荐系统中的应用
给我一点温度
11-24 5207
2016年DeepMind开发的AlphaGo在围棋对决中战胜了韩国九段选手李世石，一时成为轰动全球的重大新闻，被全球多家媒体大肆报道。AlphaGo之所以取得这么大的成功，这其中最重要的技术之一是深度学习技术。经过这几年的发展，深度学习技术已经在图像分类、语音识别、自然语言处理等领域取得突破性进展，甚至在某些方面(如图像分类等)超越了人类专家的水平。深度学习技术驱动了第三次人工智能浪潮的到来。 ...
深度学习FPGA实现基础知识6(Deep Learning（深度学习）学习资料大全及CSDN大牛博客推荐)
热门推荐
时间的诗
06-06 3万+
需求说明：深度学习FPGA实现知识储备 来自：时间的诗 第一部分：博客大牛（深度学习方向） 1、http://blog.csdn.net/zouxy09 研究方向：机器学习、计算机视觉、人机交互和人工智能等领域 作品：Deep Learning（深度学习）学习笔记整理系列 网友评价：深入浅出、条理清晰、内容全面、适合反复阅读 2、h
[综述笔记]Deep learning for brain disorder diagnosis based on fMRI images
Sherlily的博客
10-31 1136
计算机-人工智能-脑科学与类脑智能
深度学习-理论知识
qq_63961628的博客
10-31 348
深度学习（Deep Learning）是机器学习的一个子领域，它利用多层人工神经网络来模拟人脑的结构和功能，从而在复杂数据的分析、理解和生成上表现出色。深度学习是当前人工智能（AI）研究的核心技术之一，已广泛应用于图像识别、自然语言处理、自动驾驶等领域。下面，我将为你详细介绍深度学习的理论知识。
深度学习案例：一步步搭建多层神经网络以及应用
STRANGEX-03的博客
10-31 383
该案例来自吴恩达深度学习系列课程一《神经网络和深度学习》第四周编程作业，一步步搭建多层神经网络以及应用，作业内容是搭建一个能够识别猫的多层的神经网络。作业提供的资料包括：训练集、测试集、测试实例、神经网络工具包、加载数据的工具包，下载请移步参考链接一。
深度学习（九）：推荐系统的新引擎（9/10）
最新发布
小相探索IT世界
10-31 1488
深度学习在推荐系统中的应用为用户带来了更智能、更个性化的推荐体验。通过与推荐系统的融合，深度学习解决了传统推荐系统在处理大规模、高维度数据时的力不从心，以及冷启动和数据稀疏等问题。在应用方式上，各种 2vec 的应用、基于神经协同过滤的推荐以及在个性化推荐系统中的特征表示学习、序列模型和嵌入模型等，都为推荐系统的准确性和个性化提供了有力支持。构建深度学习推荐系统时，需要考虑整体框架与技术选择，如大数据框架和深度学习模型的选择。同时，通过具体案例分析，可以更好地理解深度学习在推荐系统中的实际应用。
引入了窥视孔连接（peephole connections）的LSTM
m0_73640344的博客
10-29 674
通过引入窥视孔连接，LSTM能够更加精确地控制信息流，因为每个门都可以根据细胞状态的即时值进行调整。这种设计不仅增强了模型的性能，尤其是在需要精细控制内部状态记忆的应用中，如复杂的序列预测和模式识别任务，也提高了决策过程的透明度和直观性。
深入探索：深度学习在时间序列预测中的强大应用与实现
平凡程序猿~的博客
10-28 3458
随着深度学习的快速发展，循环神经网络（RNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）、卷积神经网络（CNN）以及Transformer模型逐步应用到时间序列分析中，并取得了较好的结果。下面将详细介绍这些模型的原理、优势、不足以及实际应用中的代码示例。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值